基于Dropout深度神经网络的手写体数字识别(Matlab)

mnist手写体数据集，已经亲自验证，可以直接应用到算法中。

1、共有10数据集，下载之后保存在磁盘中（最好放在你代码执行目录下，方便后期使用。）如新建一个文件夹D:*****\MNIST_data存放数据。train-images-idx3-ubyte.gz:

使用Python+TensorFlow，全连接的神经网络，基于MNIST数据集。数据集包含60000张训练图片，10000张测试图片。MNIST_model文件夹是已经训练30000次的模型，也可以自

UI设计包括界面设计、菜单栏布局、进度条、结果展示和图片展示区域划分几个主要任务。图像预处理包括图像的灰度化、二值化、反色处理、图形锐化、数字分割、归一化等主要任务。特征提取为使用不同的特征提取方法，

为pdf文档，有fisher相关原理介绍

手写体数字识别是一个跨学科的复杂问题，综合了图像处理、模式识别、机器学习等多个领域的知识，其识别过程一般包含图像预处理、特征提取、分类器的设定及其后处理等组成

基于粗网格特征提取再和Hopfield神经网络相结合的识别方法:首先用粗网格提取特征向量组,再将向量组分为8个分向量,然后再作为Hopfield的输入向量,进行识别,经过对样本的仿真、测试,有着良好的

MNIST手写数据集的训练和测试代码，代码准确率高于98%，代码完善，下载即可使用，利用TensorFlow编译环境，适合新手自学。MNIST数据集是个通用数据集，很多新手都会用到。

Hopfield神经网络的改进及其应用——基于Hopfield神经网络的脱机手写数字识别

针对多数机构面临的大规模报表数据录人问题,提出了一种基于BP神经网络的手写数字识别系统。对输人图像进行图像预处理、 图像分割和特征提取,随后将提取的特征信息输人到已经训练好的BP神经网络进行分类识别。